Auditing Digital Twins: A Risk and Control Framework for Trustworthy Enterprise Decision Systems
本研究提出了一种定量的数字孪生可审计性框架（DTAI），该框架整合了八个审计维度和一个剩余风险模型来评估企业决策系统的可信度，并通过实证评估揭示，尽管当前环境总体受控，但在业务连续性、可追溯性和模型治理方面存在显著弱点，需要通过针对性的改进来缓解诸如未经授权访问和数据篡改等风险。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代商业与工程领域，一种新型工具已经出现，旨在帮助领导者理解复杂的系统。想象一下工厂车间、电网或医院网络。这些是物理场所，机器在此轰鸣，数据在此流动，决策在此每秒钟都在发生。为了管理这些场所，企业正越来越多地构建“数字孪生”（digital twins）。数字孪生不是机器人，也不是人；它是一个活生生的、呼吸着的计算机模型，镜像反映出一个现实世界的物体或过程。它通过连接到实际设备上的传感器，持续接收关于温度、速度、压力和位置的信息。作为回报，该模型会模拟正在发生的事情，并预测接下来可能发生什么。这使得管理者能够在不接触物理机械的情况下，测试想法、发现故障并在损坏发生前进行预警，并优化运行方式。
然而，随着这些数字镜像变得更加互联且功能更加强大，它们也引入了一种新的危险。由于数字孪生直接与现实世界相连，计算机代码中的一个错误或数据中的一个谎言都可能导致现实世界的灾难。如果模型被喂入虚假信息，它可能会指示工厂加速一台已经过热的机器。如果模型被黑客攻击，攻击者可能会关闭发电厂或造成交通拥堵。对于组织而言，问题不再仅仅是这项技术是否有效，而是它是否值得信赖。公司能否依赖数字孪生来做出关乎生死攸关的决策？为了回答这个问题，一位研究人员需要一种方法来衡量信任，不仅是针对软件本身的信任，还包括支持它的整个数据、安全和人类监督体系的信任。
一位研究人员针对这一空白，设计了一个用于审计这些数字孪生的新框架。他们通过询问：要让一个数字孪生被视为足够安全可靠，从而让大型企业使用，究竟需要具备哪些条件，来切入这一问题。他们并没有仅仅关注侧重于防止黑客入侵的网络安全，而是将视野扩大到了涵盖系统健康的八个不同领域。这些领域包括为模型提供数据的准确性、管理访问权限的规则、计算机模型的构建与更新方式，以及系统在崩溃时恢复的能力。他们没有将数字孪生视为单一的软件，而是将其视为一个数据、人员与机器相互作用的复杂环境。
为了测试其构想，研究人员创建了一个模拟环境。他们召集了由80名专家组成的评审小组，其中包括IT审计师、网络安全专家和拥有平均超过13年经验的工程师。这些专家被要求对十种不同的数字孪生场景进行评估，涵盖航空航天、能源、医疗保健和物流等领域。专家们根据48个具体点对每个场景进行评分，例如数据是否经过误差检查、模型在使用前是否经过测试，以及是否有一份关于系统所做每一次变更的清晰记录。研究人员随后将这些分数合并为一个单一数值，即“数字孪生可审计性指数”（Digital Twin Auditability Index），其范围从零到一百。该指数就像一份成绩单，告诉组织其数字孪生的可信度究竟如何。
该模拟实验的结果揭示了一个令人清醒的现实。在所有十个场景中，平均得分仅为61.14。在研究人员的分类系统中，这一分数使数字孪生处于“受控”（Controlled）类别，但尚未达到“可信”（Trustworthy）类别。要达到“可信”水平，系统需要获得至少80分。这意味着，尽管许多组织已经构建了拥有强大数据和安全措施的复杂数字孪生，但它们尚未准备好完全承担关键决策的责任。研究发现，最强的领域是数据完整性（即来自传感器的信息通常是准确且完整的）和访问控制（即谁可以登录的规则相当严格）。
然而，模拟也凸显了阻碍得分达到可信阈值的显著弱点。最薄弱的领域是业务连续性与韧性、可追溯性以及模型治理。业务连续性是指系统在遭遇灾难（如网络攻击或停电）后继续工作或快速恢复的能力。可追溯性是指能够回溯并查看究竟是哪项数据和哪个版本的模型导致了特定的决策。模型治理涉及计算机模型如何创建、测试和更新的规则。专家们发现，虽然公司擅长收集数据，但在处理系统故障或证明决策是如何达成的方面，准备工作往往不足。
研究人员还观察了在实施控制措施后依然存在的风险。他们发现，最危险的威胁是未经授权的访问（即不该进入的人进入了系统）、不完整或不准确的数据，以及通过操纵数据来欺骗系统。他们发现，拥有控制措施并不自动意味着风险已经消除。例如，一个系统可能设有防火墙，但如果防火墙没有得到监控或更新，网络攻击的风险依然很高。研究表明，降低风险最有效的方法是提高控制措施的有效性，特别是针对那些发生概率高且会导致巨大破坏的风险。
这项工作表明，构建数字孪生仅仅是第一步。真正的挑战在于对系统的持续管理与验证。研究人员认为，组织不能仅仅因为技术先进就假设其数字孪生是安全的。相反，他们必须主动衡量并提高系统的可审计性。这意味着要确保模型做出的每一个决策都能追溯到其来源，确保模型不断进行误差检查，并且系统能够从重大中断中幸存下来。研究结论指出，在加强这些领域之前，数字孪生应被视为需要严密监管的强大工具，而非完全自主的决策者。
研究结果为公司提供了清晰的前行路径。通过使用这个新框架，领导者可以识别出其数字孪生的脆弱之处。他们可以发现自己是在数据方面表现强劲但在恢复方面较弱，还是在安全性方面表现良好但在模型测试方面较差。这使他们能够将资源集中在最重要的领域，而不是盲目猜测问题所在。该研究强调，信任并非一种二元状态；一个系统并非简单地分为安全或不安全。信任是一个程度问题，通过衡量这个程度，组织可以对何时以及如何使用这些强大的工具做出明智的选择。这项研究并不声称已经解决了数字孪生安全问题，但它提供了一种切实可行且可量化的方法，用以理解该技术的现状以及仍需完成的工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。